-
公开(公告)号:CN105787516B
公开(公告)日:2019-07-16
申请号:CN201610134494.1
申请日:2016-03-09
Applicant: 南京信息工程大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于空谱局部性低秩超图学习的高光谱图像分类方法,属于图像信息处理技术领域。本发明方法包括以下步骤:输入高光谱数据集,组成光谱特征矩阵X;设置相关参数,融入空谱局部性约束,构建空谱局部性约束的低秩表示模型;设置相关参数,使用交替方向乘子算法开始迭代求解;根据低秩表示模型中系数矩阵Z构建空谱局部性低秩超图;设置相关参数,建立半监督超图学习模型;设置相关参数,迭代求解半监督超图模型,输出光谱特征数据集X的分类结果矩阵F*。本发明设计了半监督超图学习算法应用于最后的高光谱图像分类。相对于其他较为先进的方法,本发明的分类效果更好,并且对噪声和图像退化的鲁棒性更高。
-
公开(公告)号:CN109492691A
公开(公告)日:2019-03-19
申请号:CN201811318538.1
申请日:2018-11-07
Applicant: 南京信息工程大学
CPC classification number: G06K9/6259 , G06K9/6267 , G06N3/0454 , G06N3/08
Abstract: 本发明提供一种超图卷积网络模型及其半监督分类方法包括如下步骤:包括如下步骤:步骤1:对非欧式结构的样本数据特征进行稀疏编码,形成样本表示系数矩阵;步骤2:依据样本的相似性构建超边,计算超边权重,构建超图模型;步骤3:借助于超图谱理论,定义超图上的卷积运算,构建超图卷积网络模型;步骤4:定义超图卷积网络上的半监督学习方法,设计损失函数,旨在利用少量标定样本的类别信息,预测所有样本的类别标签;步骤5:分别制作训练、验证和测试的半给定标签矩阵,设置网络超参数,训练网络模型,依据随机梯度下降算法学习网络的卷积核以及正则性因子参数;步骤6:对于给定数据,用训练好的模型预测未知的样本类别,实现半监督分类。
-
公开(公告)号:CN106991382A
公开(公告)日:2017-07-28
申请号:CN201710147637.7
申请日:2017-03-13
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种遥感场景分类方法,包括以下步骤:生成多尺度图像;提取多尺度深度特征;融合卷积特征;集结多尺度分类结果。本发明提出了一种自适应深度金字塔匹配(ADPM)模型,将多尺度图像送入到带有空间金字塔池化的卷积神经网络来提取深度特征,将所有卷积层中提取的深度特征融合后送入到SVM分类器得到分类结果,集结多尺度结果提供更多信息,以便于遥感场景分类。和空间关系金字塔(PSR)、局部探测器(Partlets)方法、半监督投影(SSEP)方法相比,在相同的实验条件下,本发明方法的遥感场景分类性能提高,分类结果更加准确。
-
公开(公告)号:CN104867162A
公开(公告)日:2015-08-26
申请号:CN201510275727.5
申请日:2015-05-26
Applicant: 南京信息工程大学
IPC: G06T7/20
CPC classification number: G06T7/215
Abstract: 本发明公开了一种基于多成分鲁棒PCA的运动目标检测方法,包括:S101、对待检测视频序列进行行列向量化,获得视频数据矩阵;S102、根据所述视频数据矩阵,构建多成分鲁棒PCA模型;S103、采用增广拉格朗日乘子法对所述多成分鲁棒PCA模型进行交替迭代优化和乘子更新;S104、更新迭代次数,计算并判断当前次迭代是否收敛;S105、若当前次迭代收敛,则根据当前次迭代结果计算得到背景矩阵、所检测得到的运动目标矩阵和背景中的动态变化矩阵,从而实现运动目标检测,否则返回执行步骤S103。本发明可以从背景扰动中分离出有意义的显著运动目标,提升检测算法的鲁棒性。
-
公开(公告)号:CN119477671A
公开(公告)日:2025-02-18
申请号:CN202510052640.5
申请日:2025-01-14
Applicant: 南京信息工程大学
IPC: G06T3/04 , G06N3/0455 , G06N3/0464 , G06V40/10
Abstract: 本发明涉及计算机视觉技术领域,公开了一种人体与姿态变换图像生成方法及装置,包括以下步骤:利用编码器分别将源人体图像、目标人体图像、源姿态图像与目标姿态图像压缩到张量空间形成源人体张量、目标人体张量、源姿态张量与目标姿态张量;张量依次通过‘W’型迁移网络中若干功能模块,每个功能模块包含信息引入模块、权重图模块、张量对齐模块与注意力模块;利用训练好的两个‘W’网络,分别预测目标人体张量与目标姿态张量,再分别通过解码器得到预测的目标人体图像与目标姿态图像。本发明将同时完成人体与姿态变换任务,保证了生成的目标图像具有高质量纹理特征。
-
公开(公告)号:CN117876370A
公开(公告)日:2024-04-12
申请号:CN202410271154.8
申请日:2024-03-11
Applicant: 南京信息工程大学
IPC: G06T7/00 , G06T7/11 , G06T7/12 , G06N3/0455 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了基于三维轴向Transformer模型的CT图像肾脏肿瘤分割系统,数据集生成模块中对CT图像进行预处理生成图像数据集;第一阶段模型获得模块中构建ATrans Unet深度学习网络并进行训练,得到第一阶段模型;第二阶段模型获得模块中对图像数据集进行处理得到第二阶段图像数据集,训练ATrans Unet深度学习网络得到第二阶段模型;掩膜获取模块中将CT图像输入第一阶段模型,得到第一掩膜,根据第一掩膜裁剪CT图像后输入第二阶段模型,得到第二掩膜;分割结果获得模块中结合第一掩膜和第二掩膜得到第三掩膜,并对其进行后处理得到最终的分割图像。本发明实现了CT图像序列中肾脏及其肿瘤区域的准确分割。
-
公开(公告)号:CN116452795A
公开(公告)日:2023-07-18
申请号:CN202310427481.3
申请日:2023-04-20
Applicant: 南京信息工程大学
IPC: G06V10/25 , G06V10/82 , G06V10/42 , G06N3/0464 , G06N3/048 , G06N3/0442 , G06N3/08
Abstract: 本发明公开了一种智能弹药识别方法,所述方法包括:获取待识别图像;将所述待识别图像输入预设目标识别模型中,得到待识别图像对应的位置信息;根据对应的位置信息计算出检测框,并框出识别目标;其中,所述目标识别模型基于YOLOv5的网络结构训练得到的,所述YOLOv5的网络包括CABlock通道注意力模块,所述CABlock通道注意力模块用于对学习到的特征进行通道方向的整合,本发明针对YOLOv5在小目标检测领域的缺陷,在原始YOLOv5特征提取后加入了通道注意力模块,用来对学习到的特征进行通道方向的整合以便学习到小目标的边界特征,解决了原有YOLOv5使用的Anchor‑based方法生成目标候选框不准确的问题,使目标候选框的大小和位置精确地匹配目标,大大降低检测误差。
-
公开(公告)号:CN116091916A
公开(公告)日:2023-05-09
申请号:CN202211469458.2
申请日:2022-11-22
Applicant: 南京信息工程大学
IPC: G06V20/10 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开一种多尺度从RGB图像重建对应的高光谱图像算法及系统,属于计算机视觉高光谱图像领域;算法包括:将原始RGB图像经由多尺度处理模块处理,输出特征图Y'i;将特征图Y'i与原始RGB图像自身在光谱通道维度相加堆叠,得到带有多尺度预处理信息的特征图像;将带有多尺度预处理信息的特征图像依次通过3个空间‑光谱Transformer联合处理模块,对空间‑光谱维度联合处理,处理得到带有空间‑光谱特征信息的特征图像;将带有空间‑光谱特征信息的特征图像通过光谱维度Transformer处理,得到经过Transformer充分提取光谱维度特征信息的特征图像;将经过Transformer充分提取光谱维度特征信息的特征图像通过一个3×3的卷积层将通道维度调整到目标31通道输出,最终得到高光谱图像。
-
公开(公告)号:CN110399909B
公开(公告)日:2021-07-27
申请号:CN201910609358.7
申请日:2019-07-08
Applicant: 南京信息工程大学
IPC: G06K9/62
Abstract: 本发明公开了一种基于标签约束弹性网图模型的高光谱图像分类方法。步骤:对待高光谱图像进行EMP特征提取,构建空谱联合特征;根据空谱联合特征进行标签约束传递,获得全局约束矩阵;根据全局约束矩阵,针对每个像素点构建字典;根据字典求解弹性网表示,构建标签约束的弹性网图模型;基于弹性网图模型进行半监督分类,得到标签矩阵,实现高光谱图像分类。本发明可以降低计算的复杂度,提高构图的准确性,提升算法分类性能。
-
公开(公告)号:CN104361611B
公开(公告)日:2017-05-17
申请号:CN201410659365.5
申请日:2014-11-18
Applicant: 南京信息工程大学
IPC: G06T7/215
Abstract: 本发明公开了一种基于群稀疏鲁棒PCA的运动目标检测方法,属于图像信息处理技术领域,包括以下步骤:输入视频序列;运用过分割算法进行区域分割,生成多个同性区域,将其作为群稀疏约束的分组信息;设置相关参数,使用增广拉格朗日乘子法迭代求解;通过群稀疏约束估计运动目标矩阵;应用核范数约束估计背景矩阵;更新乘子和惩罚参数;判断收敛性,如果收敛则输出所得的背景和运动目标,否则继续迭代。本发明利用运动分布的连续性先验,建立群稀疏鲁棒PCA运动目标检测模型,运用群稀疏准则判别各同性区域是否为运动目标,能够更加准确地度量运动目标的区域边界,且对复杂的背景运动更加鲁棒,达到了运动目标鲁棒检测的目的。
-
-
-
-
-
-
-
-
-